基于BP神经网络的公路运量预测课件

• 第八步，计算全局误差
E21mkm 1oq1(do(k)yo(k))2
• 第九步，判断网络误差是否满足要求。当误差 达到预设精度或学习次数大于设定的最大次数， 则结束算法。否则，选取下一个学习样本及对 应的期望输出，返回到第三步，进入下一轮学 习。
BPNN的MATLAB实现 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
• 第一步，网络初始化 – 给各连接权值分别赋一个区间（-1，1）内
的随机数，设定误差函数e，给定计算精度
值 和最大学习次数M。
• 第二步,随机选取第k 个输入样本及对应期望输
出
x(k) x1(k), x2 (k),L , xn (k)
bh )
xi (k)
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
e
(1 2
q o 1
(do (k )
yoo (k ))2 )
hoh (k )
hih (k )
hoh (k )
hih (k )
(1 2
q o 1
(do (k )
f( yio (k )))2 )
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
• 第六步，利用输出层各神经元的 o ( k ) 和隐 含层各神经元的输出来修正连接权值w ho ( k ) 。
who(k)weho o(k)hoh(k)
wN1 ho
whNo
o(k)hoh(k)
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
BPNN的学习过程
– 输入样本－－－输入层－－－各隐层－－－输出层
• 判断是否转入反向传播阶段：
– 若输出层的实际输出与期望的输出不符
• 误差反传
– 误差以某种形式在各层表示－－－－修正各层单元的权值
• 网络输出的误差减少到可接受的程度 进行到预先设定的学习次数为止
BPNN的生成：函数newff
net=newff(PR,[S1 S2...SN],{TF1 TF2... TFN},BTF,BLF,PF) net=newff(P,T,N,{TF1 TF2... TFN},BTF,BLF,PF) PR: 一个R×2矩阵, 由R维输入向量的每维最小值和最大值组成
• 第七步，利用隐含层各神经元的 h ( k ) 和输 入层各神经元的输入修正连接权。
wih(k) w eihh ihe(k)h iw h(ihk)h(k)xi(k) wiN h1wiN h h(k)xi(k)
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
hoh (k )
hoh (k )
hih (k )
(1 2
q o 1
((do (k )
p
f(
h 1
whohoh (k ) bo )2 ))
hoh (k )
hoh (k )
hih (k )
q
(do(k)yoo(k))f(yio(k))who
o1
hoh(k) hih(k)
q
( o(k)who)f(hih(k))@h(k) o1
e e yio w ho y io w ho
p
(
yio(k) who
h
whohoh(k)bo)
who
hoh(k)
e
yio
(12oq1(do(k)yoo(k)))2 yio
(do(k)yoo(k))yoo
(k)
(do(k)yoo(k))f(yio(k))@o(k)
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
w 输入层与中间层的连接权值: i h
隐含层与输出层的连接权值: who
隐含层各神经元的阈值: bh
输出层各神经元的阈值: bo
样本数据个数: k1,2,Lm
激活函数: f ( )
误差函数： e12oq1(do(k)yoo(k))2
• 第五步，利用隐含层到输出层的连接权值、输 出层的 o(k) 和隐含层的输出计算误差函数对隐
含层各神经元的偏导数 h ( k ) 。
e who
e yio
yio who
o(k)hoh(k)
பைடு நூலகம்
e e hih (k) wih hih (k) wih
n
hih (k)
wih
(
i1
wih xi (k) wih
文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
目录
CONTENTS
BP神经网络运用实例
BP神经网络原理
总结
一、BP神经网络原理 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
BP算法是利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差 估计更前一层的误差。如此下去，就获得了所有其他各层的误差估计。这样就形 成了将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端 传递的过程。因此，人们就又将此算法称为向后传播算法，简称BP算法。 如下图所示：
d o(k )d 1 (k ),d 2 (k ),L ,d q (k )
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
• 第三步，计算隐含层各神经元的输入和输出
n
h ih(k) w ihxi(k)b h h1 ,2 ,L,p i 1
h o h ( k ) f ( h ih ( k ) ) h 1 ,2 ,L ,p
p
yio(k) w hohoh(k) bo o1 ,2,Lq h 1
y o o (k ) f(y io (k )) o 1 ,2 ,L q
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
• 第四步，利用网络期望输出和实际输出，计算 误差函数对输出层的各神经元的偏导数 o ( k ) 。